CN112532547A - 一种智能反射面通信系统中信道估计和信道鉴别方法 - Google Patents
一种智能反射面通信系统中信道估计和信道鉴别方法 Download PDFInfo
- Publication number
- CN112532547A CN112532547A CN202011314490.4A CN202011314490A CN112532547A CN 112532547 A CN112532547 A CN 112532547A CN 202011314490 A CN202011314490 A CN 202011314490A CN 112532547 A CN112532547 A CN 112532547A
- Authority
- CN
- China
- Prior art keywords
- signal
- channel
- mixed
- user
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/025—Channel estimation channel estimation algorithms using least-mean-square [LMS] method
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于无线通信技术领域,尤其涉及一种智能反射面通信系统中信道估计和信道鉴别方法。包括:基站接收用户发送的信号、用户发送的信号经过第一智能发射元素反射出的信号、用户发送的信号经过第二智能反射元素反射出的信号以及高斯噪声信号的混合信号,利用混合信号符号点的性质进行信道估计和利用似然概率进行信道估计后的信道鉴别。本方法一方面无需先验信息,仅利用基站接收混合信号矩阵的符号点完成信道估计,在符号点的提取过程中提出一种利用特征函数完成从混合有噪信号中提取符号点的算子以克服噪声对信道估计的影响;另一方面本方法针对估计出信道存在乱序这一问题,提出一种基于似然概率的信道鉴别算法,保证了智能反射面通信系统中反射面元素所处信道鉴别正确。
Description
技术领域
本发明属于无线通信技术领域,尤其涉及一种智能反射面通信系统中信道估计和信道鉴别方法。
背景技术
为了进一步提高通信系统的灵活性和质量,相关学者张瑞在文献Q.Wu andR.Zhang, "Intelligent Reflecting Surface Enhanced Wireless Network:JointActive and Passive Beamforming Design,"2018IEEE Global CommunicationsConference(GLOBECOM),Abu Dhabi,United Arab Emirates,2018,pp.1-6,doi:10.1109/GLOCOM.2018.8647620中首次提到智能反射面这个无源器件。智能反射面由多个智能反射元素组成,在实际的场景中,联合优化智能反射元素的反射相位和幅度以满足通信需求。优化的前提是知道智能反射元素所处信道状态信息,因此信道估计尤为重要。目前一些关于智能反射面下的信道估计方法,要求先验信息,比如基站和智能反射面提前约定相关通信协议,或者要求智能反射面配备大量智能反射元素以满足稀疏反射矩阵下的信道估计。而在无先验信息下完成所有智能反射元素所处信道的估计更符合实际需求。目前存在的有界分量分析方法(BCA,Bounded Component Analysis),仅利用混合信号的几何特征而无需先验信息完成混合信号的信道估计,但是噪声会影响几何特征,可参见文献S.Cruces,“Bounded component analysis of linear mixtures:A criterion of minimum convexperimeter,”IEEE Transactions on Signal Processing, vol.58,pp.2141–2154,April2010,同时其对于混合信号的信道估计,存在信道估计后的信道乱序这一问题,无法鉴别信道。
发明内容
本发明的目的是提出一种利用基站接收混合信号的符号点完成信道估计的方法,在信道估计过程中提出利用特征函数性质从含有噪声的混合信号中提取符号点的降噪算子,并将降噪算子应用到信道估计中以克服噪声对信道估计的影响。针对信道估计后的信道乱序这一问题,提出利用似然概率的方法,完成信道鉴别。
本发明提出的智能反射面通信系统中信道估计和信道鉴别方法,包括以下步骤:
(1)设定通信系统中有一个基站,该基站有M个天线,一个用户,该用户有一个天线,以及一个具有两个智能反射元素的智能反射面,基站接收到的混合信号包括:用户发送的信号、用户发送的信号经过第一智能发射元素反射出的信号以及用户发送的信号经过第二智能反射元素反射出的信号,基站接收混合信号的过程包括以下步骤:
(1-1)在用户发送信号的第t个时刻,基站接收到的混合信号为:
其中,1≤t≤T,T为用户向基站发送数据信号的长度,d为用户到基站处的信道,g1和g2分别为用户到智能反射面的两个智能反射元素的信道,g1和h1和h2分别为两个智能反射元素到基站处的信道,h1和a为用户发送的数据信号,w为高斯噪声列向量,高斯噪声列向量中的每一个元素都服从高斯分布其中σ2代表高斯噪声的功率,φ1(t)和φ2(t)为两个智能反射元素在第t个时刻的反射相位,用户发送的数据信号传播到智能反射面时,两个智能反射元素根据Pr{φj(t)=0}=pj和Pr{φj(t)=π}=1-pj的概率改变信号的相位,同时将信号反射至基站,j=1,2,Pr{·}表示概率;
(1-2)根据步骤(1-1),用户发送的数据信号在第t个时刻经过两个智能反射元素反射出的信号b1(t)和b2(t)分别为:
(1-3)对步骤(1-1)基站接收的混合信号改写为如下矩阵形式:
y(t)=[d,h1g1,h2g2][a(t),b1(t),b2(t)]T+w,
其中,上标T为矩阵转置;
(1-4)令Y=[y(1),y(2),…,y(T)],C=[d,h1g1,h2g2],S=[a,b1,b2]T,则在所有时刻1≤ t≤T,基站接收混合信号的矩阵表达式为:
Y=CS+W,
(2)对步骤(1)的混合信号进行单路信号的提取,包括以下步骤:
(2-1)采用信号分离方法,在步骤(1-4)的混合矩阵信号的两边乘上一个归一化的分离向量u:
uY=uCS+uW;
(2-2)建立一个求解分离向量u的优化函数:
满足||u||2=1,
(3-1)用表示与步骤(2)提取信号s相对应的信道,按照接收信号矩阵的每一行估计信道向量中对应的每一行元素,定义[·]m表示输入矩阵或者向量的第m行,m=1,…,M,对步骤(1)中基站接收的混合信号矩阵Y=CS+W进行改写如下:
[Y]m=[R]m+[c]ms,
其中,M表示基站天线的个数,R为从全部混合信号矩阵减去本步骤所估信道c与步骤 (2)提取信号s的乘积;
(3-3)根据步骤(3-1)中改写后的基站接收混合信号矩阵,得到混合信号矩阵第m行的符号点表达式为:
(3-4)从中所有任意选择两个不同的符号点相减(y-y′),得到一个差值集合,该差值集合中包括信道中第m个元素与步骤(2)提取信号s符号点差值的乘积,即[c]m(z-z′),进而得到[c]m的所有可能出现的信道元素的集合如下:
(3-6)遍历步骤(3-1)的混合信号矩阵的所有行,即m从1到M,估计得到所有行的信道元素,将所有信道元素按照列向量形式排列,得到估计出的信道向量c;
(3-7)从步骤(3-1)的混合信号矩阵减去步骤(3-6)估计的信道向量c乘以步骤(2-2) 中提取的信号s;
(4)重复步骤(2)和(3),直到提取出三路信号和估计出三路信道,此时完成所有的信号提取和所有的信道估计;
(5)利用似然概率算法,对步骤(4)的已完成的提取信号进行身份鉴别,进而完成已估计信道的信道鉴别,具体包括以下步骤:
(5-1)设定用户发送的数据信号从二进制相移键控符号(-1,1)中随机选择,即设定基站知道两个智能反射元素对用户数据信号的相位保持概率,记第一智能反射元素的相位保持概率为p1,第一智能反射元素的相位反转概率为1-p1,第二智能反射元素的相位保持概率为p2,第二智能反射元素的相位反转概率为1-p2,得到两个智能反射元素的反射状态为:
(5-2)设定估计出的三路信号x,y和z分别对应步骤(1-3)中的用户发送的信号a、用户发送的信号经过第一智能发射元素反射出的信号b1以及用户发送的信号经过第二智能反射元素反射出的信号b2时,则在信号序列x中,信号符号为1的总个数为在信号序列y和z中的信号符号与x中信号符号为1相对应的个数分别为和在信号序列y和z中的信号符号与x中信号符号为-1相对应的个数分别为和
将1-p1-p2+2p1p2记为P1,进而得到在序列y和z中,对应位置不相同的概率为 1-P1;
(5-4)根据概率论的有序排列理论,三路信号一共出现六组排列顺序,不同排序对应的似然概率为:
(5-5)将上述步骤(5-4)的似然概率进行对数函数转化,分别为:
(5-6)根据步骤(5-2)的设定条件,确定步骤(5-5)中的第一个似然概率为正确信号顺序下的似然概率,分别计算步骤(5-5)中第一个式子与另外五个式子差值,分别记为LI1,LI2,LI3,LI4和LI5,得到五个关于两个智能反射元素对用户数据信号的相位保持概率p1和p2的二元函数,再根据高等数学中求极值的方法确定该二元函数的取值,具体过程分别如下:
对LI1分别求关于p1和p2一阶导数:
对LI1分别求关于p1和p2的二阶导数及混合二阶导数:
对LI2分别求关于p1和p2一阶导数:
对LI2分别求关于p1和p2的二阶导数及混合二阶导数:
对LI3分别求关于p1和p2一阶导数:
对LI4分别求关于p1和p2一阶导数:
对LI4分别求关于p1和p2的二阶导数及混合二阶导数:
对LI5分别求关于p1和p2一阶导数:
对LI5分别求关于p1和p2的二阶导数及混合二阶导数:
(5-7)根据步骤(5-6)的五个相减的似然函数,若两个智能反射元素对用户数据信号的相位保持概率p1和p2,同时满足0<p1<1,0<p2<1,p1≠p2,则步骤(5-6)中五个相减的似然函数均大于0,即当估计出的三路信号x,y和z分别对应步骤(1-3) 中的用户发送的信号a、用户发送的信号经过第一智能发射元素反射出的信号b1以及用户发送的信号经过第二智能反射元素反射出的信号b2时,似然概率最大,进而根据最大似然概率原则确定信号身份,又因为步骤(3)估计出的信道和步骤(2)提取的信号对应,进而实现信道鉴别。以上步骤实现智能反射面通信系统中信道估计和信道鉴别。
上述信道估计和信道鉴别方法中,所述的步骤(2)中利用特征函数性质从混合信号中提取符号点的降噪算子的方法,包括以下步骤:
(1)设定Vn是无噪信号序列,Qn是高斯白噪声信号序列,Ln是接收到的含有噪声的混合信号序列,三者满足Ln=Vn+Qn,n为序列长度,分别记为L,V,Q,并有L=V+ Q,分别用FL,FV,FQ表示L,V,Q的分布函数,得到无噪信号,高斯白噪声信号和含有噪声的混合信号三者特征函数关系:
(2)根据步骤(1)的特征函数关系,得到无噪信号序列V的分布函数FV:
其中,Φ-1(·)表示特征函数的逆运算,将满足FV(v)>0的点v记为无噪序列V的离散符号点v;
(3)将步骤(1)中的特征函数转化为下列优化函数:
(4)根据大数定律,利用接收到有噪信号序列L的量化经验分布函数∏L得到有噪序列 L分布函数FL,分布函数FL的近似表达式如下:
其中,Li为接收到含有噪声的混合序列L中的第i个元素,和分别表示取实部和虚部,1{·}表示指示函数,用于判断区间,0≤n1≤N-1,0≤n2≤N-1,N为经验分布函数的实部和虚部的量化维度,n1和n2分别表示实部和虚部中第n1个和第n2个量化区间,得到序列L中实部和虚部中最大的边界d,则划分实部和虚部小区间间隔为 和表示每个小区间的取值范围,
其中f=[fr,fi],fr和fi分别表示实部和虚部对应的频率;
(6)将步骤(5)得到的特征函数频域离散化,得到上述公式的频域量化形式为:
其中ΠV是关于无噪信号序列V量化的经验分布函数,和ПL的得到形式类似,根据DFT 的定义,步骤(6)中量化经验分布函数ПL的DFT形式进一步转化为:
(8)利用步骤(7)通过进一步转化的量化经验分布函数ΠL的DFT形式,得到矩阵V如下:
V=RV⊙{FΠVFT},
(9)采用序列二次规划算法(简称SQP,Sequential Quadratic Programming)求解上述步骤(8)的优化函数,得到优化出的分布函数根据局部极大值原则,找到分布函数的相关符号点,实现利用特征函数性质从接收到的含有噪声的混合信号序列中提取符号点的降噪算子,并将降噪算子定义为
本发明提出一种智能反射面通信系统中信道估计和信道鉴别方法,其优点是:
本发明的智能反射面通信系统中信道估计和信道鉴别方法,能够应用在智能反射面通信系统的信道估计中,解决目前智能反射面设计优化元素前需要提前知道反射面所处信道这一问题,本发明方案一方面提出无需先验信息,仅利用基站接收混合信号矩阵的符号点完成信道估计,在符号点的提取过程中提出一种利用特征函数完成从混合有噪信号中提取符号点的算子以克服噪声对信道估计的影响;另一方面本发明方案针对估计出信道乱序这一问题,提出一种基于似然概率的信道鉴别算法,保证了反射面通信系统中反射元素所处信道的鉴别。
附图说明:
图1是本发明涉及的智能反射面通信系统中信道估计和信道鉴别的场景图。
图2是本发明方法的流程框图。
图3是本发明实施例中,本发明方法(a)和有界成分分析方法(b)(BCA,BoundedComponent Analysis)在智能反射面中两个智能反射元素执行不同相位保持概率时,基站先提取信号,估计信道,再信道鉴别后的信道鉴别出错率,信道鉴别出错率表示在多次实施实验中鉴别出错的次数占总实施实验次数的比例。
图4是本发明实施例中,本发明方法(a)和有界成分分析方法(b)(BCA,BoundedComponent Analysis)在智能反射面中两个智能反射元素执行不同相位保持概率时,估计出信道的信道标准均方误差(NMSE,Normalized Mean Square Error),用分贝(dB)表示。在图 4中,对三路信道的估计信道标准均方误差,取最小值,平均值,最大值,从三个维度展示实施实验性能。
具体实施方式
本发明提出的智能反射面通信系统中信道估计和信道鉴别方法,其流程框图如图2所示,包括以下步骤:
(1)设定通信系统中有一个基站,该基站有M个天线,一个用户,该用户有一个天线,以及一个具有两个智能反射元素的智能反射面,基站接收到的混合信号包括:用户发送的信号、用户发送的信号经过第一智能发射元素反射出的信号以及用户发送的信号经过第二智能反射元素反射出的信号,基站接收混合信号的过程包括以下步骤:
(1-1)在用户发送信号的第t个时刻,基站接收到的混合信号为:
其中,1≤t≤T,T为用户向基站发送数据信号的长度,d为用户到基站处的信道,g1和g2分别为用户到智能反射面的两个智能反射元素的信道,g1和 h1和h2分别为两个智能反射元素到基站处的信道,h1和a为用户发送的数据信号,w为高斯噪声列向量,高斯噪声列向量中的每一个元素都服从高斯分布其中σ2代表高斯噪声的功率,φ1(t)和φ2(t)为两个智能反射元素在第 t个时刻的反射相位,用户发送的数据信号传播到智能反射面时,两个智能反射元素根据 Pr{φj(t)=0}=pj和Pr{φj(t)=π}=1-pj的概率改变信号的相位,同时将信号反射至基站,j=1,2,Pr{·}表示概率;
(1-2)根据步骤(1-1),用户发送的数据信号在第t个时刻经过两个智能反射元素反射出的信号b1(t)和b2(t)分别为:
(1-3)对步骤(1-1)基站接收的混合信号改写为如下矩阵形式:
y(t)=[dh1g1,h2g2][a(t),b1(t),b2(t)]T+w,
其中,上标T为矩阵转置;
(1-4)令Y=[y(1),y(2),…,y(T)],C=[d,h1g1,h2g2],S=[a,b1,b2]T,则在所有时刻1≤ t≤T,基站接收混合信号的矩阵表达式为:
Y=CS+W,
(2)对步骤(1)的混合信号进行单路信号的提取,包括以下步骤:
(2-1)采用信号分离方法,在步骤(1-4)的混合矩阵信号的两边乘上一个归一化的分离向量u:
uY=uCS+uW;
(2-2)建立一个求解分离向量u的优化函数:
满足||u||2=1,
其中,为优化求解出的分离向量,为从输入混合信号中提取符号点的算子,为求解输入信号凸点周长的计算符号,采用牛顿梯度下降算法,求解上述优化函数,求解过程中,当凸点周长最短时优化函数停止,得到分离向量u,进而得到第一路提取信号
(3-1)用表示与步骤(2)提取信号s相对应的信道,按照接收信号矩阵的每一行估计信道向量中对应的元素,定义[·]m表示输入矩阵或者向量的第m行,m=1,…,M,对步骤(1)中基站接收的混合信号矩阵Y=CS+W进行改写如下:
[Y]m=[R]m+[c]ms,
其中,M表示基站天线的个数,R为从全部混合信号矩阵减去本步骤所估信道c与步骤 (2)提取信号s的乘积;如果估计的信道正确,那么剩余信号的符号点将不在受到已提取信号的干扰,所以此时剩余信号符号点凸点周长最短。
(3-3)根据步骤(3-1)中改写后的基站接收混合信号矩阵,得到混合信号矩阵第m行的符号点表达式为:
(3-4)从中所有任意选择两个不同的符号点相减(y-y′),得到一个差值集合,该差值集合中包括信道中第m个元素与步骤(2)提取信号s符号点差值的乘积,即[c]m(z-z′),进而得到[c]m的所有可能出现的信道元素的集合如下:
(3-6)遍历步骤(3-1)的混合信号矩阵的所有行,即m从1到M,估计得到所有行的信道元素,将所有信道元素按照列向量形式排列,得到估计出的信道向量c;
(3-7)从步骤(3-1)的混合信号矩阵减去步骤(3-6)估计的信道向量c乘以步骤(2-2) 中提取的信号s;
(4)重复步骤(2)和(3),直到提取出三路信号和估计出三路信道,此时完成所有的信号提取和所有的信道估计;
(5)此时的信号和信道乱序,因此在本步骤中提出利用似然概率算法,对步骤(4)的已完成信号提取和信道估计的提取信号进行身份鉴别,又因为提取信号和估计出的信道是一一对应的,对信号进行身份鉴别,也就是得到信道鉴别。具体包括以下步骤:
(5-1)在步骤(1)中已经明确,基站接收到是三路信道乘信号的混合,同时系统中有高斯噪声。利用步骤(1)-(4)完成对所有的信号提取和信道估计,同时信号和信道一一对应。在步骤(1)中提到,a,b1和b2分别代表用户发送的信号,用户发送的信号经过第一智能反射元素后反射出的信号和用户发送的信号经过第二智能反射元素反射出的信号。三路信号序列的长度都是T。执行完信号提取算法后,最终估计出来三路信号,x,y和z,但是未知和a,b1和b2的相关对应关系。设定用户发送的数据信号从二进制相移键控符号(-1,1)中随机选择,即设定基站知道两个智能反射元素对用户数据信号的相位保持概率,记第一智能反射元素的相位保持概率为p1,第一智能反射元素的相位反转概率为1-p1,第二智能反射元素的相位保持概率为p2,第二智能反射元素的相位反转概率为1-p2,得到两个智能反射元素的反射状态为:
(5-2)设定估计出的三路信号x,y和z分别对应步骤(1-3)中的用户发送的信号a、用户发送的信号经过第一智能发射元素反射出的信号b1以及用户发送的信号经过第二智能反射元素反射出的信号b2时,则在信号序列x中,信号符号为1的总个数为在信号序列y和z中的信号符号与x中信号符号为1相对应的个数分别为和在信号序列y和z中的信号符号与x中信号符号为-1相对应的个数分别为和
将1-p1-p2+2p1p2记为P1,进而得到在序列y和z中,对应位置不相同的概率为 1-P1;
(5-4)根据概率论的有序排列理论,三路信号一共出现六组排列顺序,不同排序对应的似然概率为:
(5-5)为了便于求解和表示,将上述步骤(5-4)的似然概率进行对数函数转化,分别为:
(5-6)根据步骤(5-2)的设定条件,确定步骤(5-5)中的第一个似然概率为正确信号顺序下的似然概率,分别计算步骤(5-5)中第一个式子与另外五个式子差值,分别记为LI1,LI2,LI3,LI4和LI5,得到五个关于两个智能反射元素对用户数据信号的相位保持概率p1和p2的二元函数,再根据高等数学中求极值的方法确定该二元函数的取值,具体过程分别如下:
对LI1分别求关于p1和p2一阶导数:
对LI2分别求关于p1和p2一阶导数:
对LI3分别求关于p1和p2一阶导数:
对LI4分别求关于p1和p2一阶导数:
对LI4分别求关于p1和p2的二阶导数及混合二阶导数:
对LI5分别求关于p1和p2一阶导数:
对LI5分别求关于p1和p2的二阶导数及混合二阶导数:
(5-7)根据步骤(5-6)的五个相减的似然函数,若两个智能反射元素对用户数据信号的相位保持概率p1和p2,同时满足0<p1<1,0<p2<1,p1≠p2,则步骤 (5-6)中五个相减的似然函数均大于0,即当估计出的三路信号x,y和z分别对应步骤(1-3) 中的用户发送的信号a、用户发送的信号经过第一智能发射元素反射出的信号b1以及用户发送的信号经过第二智能反射元素反射出的信号b2时,似然概率最大,进而根据最大似然概率原则确定信号身份,又因为步骤(3)估计出的信道和步骤(2)提取的信号对应,进而实现信道鉴别。以上步骤实现智能反射面通信系统中信道估计和信道鉴别。
上述信道估计和信道鉴别方法中,利用特征函数性质从混合信号中提取符号点的降噪算子的方法,包括以下步骤:
(1)设定Vn是无噪信号序列,Qn是高斯白噪声信号序列,Ln是接收到的含有噪声的混合信号序列,三者满足Ln=Vn+Qn,n为序列长度,为了便于阅读,分别记为L,V,Q,并有L=V+Q,分别用FL,FV,FQ表示L,V,Q的分布函数,因为V,Q独立,得到无噪信号,高斯白噪声信号和含有噪声的混合信号三者特征函数关系:
(2)根据步骤(1)的特征函数关系,得到无噪信号序列V的分布函数FV:
其中,Φ-1(·)表示特征函数的逆运算,从上式看出尽管L受到高斯噪声的影响,FV还是完全取决于L,将满足FV(v)>0的点v记为无噪序列V的离散符号点v;因此上述求FV的公式看做从混合有噪序列提取符号点的算子;
(4)由于考虑离散序列,无法得到连续的分布函数。根据大数定律,利用接收到有噪信号序列L的量化经验分布函数ΠL得到有噪序列L分布函数FL,分布函数FL的近似表达式如下:
其中,Li为接收到含有噪声的混合序列L中的第i个元素,和分别表示取实部和虚部,1{·}表示指示函数,用于判断区间,0≤n1≤N-1,0≤n2≤N-1,N为经验分布函数的实部和虚部的量化维度,n1和n2分别表示实部和虚部中第n1个和第n2个量化区间,得到序列L中实部和虚部中最大的边界d,则划分实部和虚部小区间间隔为 和表示每个小区间的取值范围,
其中f=[fr,fi],fr和fi分别表示实部和虚部对应的频率;
(6)由于频域连续,计算机无法处理。进一步将步骤(5)得到的特征函数频域离散化,得到上述公式的频域量化形式为:
由于上述特征函数频率量化后,存在部分满足DFT的形式,便于计算机直接操作处理。以上的根据的DFT形式得到,定义为再乘上前面的修正因子。是一个Nf×Nf的矩阵,其中(k1,k2)位置的元素对应到上(k1,k2)的频率值;
其中∏V是关于无噪信号序列V量化的经验分布函数,和∏L的得到形式类似,根据DFT 的定义,步骤(6)中量化经验分布函数∏L的DFT形式进一步转化为:
(8)利用步骤(7)通过进一步转化的量化经验分布函数ΠL的DFT形式,得到矩阵V如下:
V=RV⊙{FΠVFT},
(9)采用序列二次规划算法(简称SQP,Sequential Quadratic Programming)求解上述步骤(8)的优化函数,得到优化出的分布函数根据局部极大值原则,找到分布函数的相关符号点,实现利用特征函数性质从接收到的含有噪声的混合信号序列中提取符号点的降噪算子,并将降噪算子定义为
下面将结合附图和实施例对本发明作进一步的详细说明。显然,所描述的实施例也仅仅是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下结合附图详细介绍本发明的内容:
介绍本发明的应用场景:如图1所示,配置一个智能反射面的辅助通信系统,基站接收到用户发送的信号、用户发送的信号经过第一智能发射元素反射出的信号以及用户发送的信号经过第二智能反射元素反射出的信号的混合信号,反射元素的相位保持按照一定概率随机执行,信道状态未知。本发明的实施条件如下信道处于平衰落状态,即信道状态在第t个时刻保持不变。
参见图2,介绍本发明的具体实施步骤。为了展示和验证本发明方法改进的实用性能,本发明进行了多次仿真实施实验。实验中,用户配置单天线,采用二进制相移键控(BPSK) 调制方式,基站配置多天线。仿真结果如图3和图4所示,均为三维分布图,底面两个坐标分别为两个智能反射元素对用户数据信号的相位保持概率p1和p2,从0.5开始到0.95,中间间隔0.05。
图3利用所提信道鉴别算法对估计出来信道进行信道鉴别,因为信道估计可能有误差,所以在此情况下,信道的鉴别可能出错,用信道鉴别出错率表示,信道鉴别出错率为多次仿真实施实验中出错次数占总仿真实施实验的比例。
图4验证估计信道误差的大小,用信道标准均方误差(NMSE,Normalized MeanSquare Error)dB表示,对三路信道的估计信道标准均方误差,取最小值,平均值,最大值,从三个维度展示实施实验性能。
从图3和图4的实验结果看出,在p1=p2以及p1=0.5或者p2=0.5时,对应的信道鉴别错误率最高,同时信道标准均方误差也最高,符合上述步骤(5-6)的推导。
Claims (2)
1.一种智能反射面场景中的信道估计和信道鉴别方法,其特征在于该方法包括以下步骤:
(1)设定通信系统中有一个基站,该基站有M个天线,一个用户,该用户有一个天线,以及一个具有两个智能反射元素的智能反射面,基站接收到的混合信号包括:用户发送的信号、用户发送的信号经过第一智能发射元素反射出的信号以及用户发送的信号经过第二智能反射元素反射出的信号,基站接收混合信号的过程包括以下步骤:
(1-1)在用户发送信号的第t个时刻,基站接收到的混合信号为:
其中,1≤t≤T,T为用户向基站发送数据信号的长度,d为用户到基站处的信道,g1和g2分别为用户到智能反射面的两个智能反射元素的信道,g1和h1和h2分别为两个智能反射元素到基站处的信道,h1和a为用户发送的数据信号,w为高斯噪声列向量,高斯噪声列向量中的每一个元素都服从高斯分布其中σ2代表高斯噪声的功率,φ1(t)和φ2(t)为两个智能反射元素在第t个时刻的反射相位,用户发送的数据信号传播到智能反射面时,两个智能反射元素根据Pr{φj(t)=0}=pj和Pr{φj(t)=π}=1-pj的概率改变信号的相位,同时将信号反射至基站,j=1,2,Pr{·}表示概率;
(1-2)根据步骤(1-1),用户发送的数据信号在第t个时刻经过两个智能反射元素反射出的信号b1(t)和b2(t)分别为:
(1-3)对步骤(1-1)基站接收的混合信号改写为如下矩阵形式:
y(t)=[d,h1g1,h2g2][a(t),b1(t),b2(t)]T+w,
其中,上标T为矩阵转置;
(1-4)令Y=[y(1),y(2),…,y(T)],C=[d,h1g1,h2g2],S=[a,b1,b2]T,则在所有时刻1≤t≤T,基站接收混合信号的矩阵表达式为:
Y=CS+W,
(2)对步骤(1)的混合信号进行单路信号的提取,包括以下步骤:
(2-1)采用信号分离方法,在步骤(1-4)的混合矩阵信号的两边乘上一个归一化的分离向量u:
uY=uCS+uW;
(2-2)建立一个求解分离向量u的优化函数:
满足||u||2=1,
(3-1)用表示与步骤(2)提取信号s相对应的信道,按照接收信号矩阵的每一行估计信道向量中对应的元素,定义[·]m表示输入矩阵或者向量的第m行,m=1,…,M,对步骤(1)中基站接收的混合信号矩阵Y=CS+W进行改写如下:
[Y]m=[R]m+[c]ms,
其中,M表示基站天线的个数,R为从全部混合信号矩阵减去本步骤所估信道c与步骤(2)提取信号s的乘积;
(3-3)根据步骤(3-1)中改写后的基站接收混合信号矩阵,得到混合信号矩阵第m行的符号点表达式为:
(3-4)从中所有任意选择两个不同的符号点相减(y-y′),得到一个差值集合,该差值集合中包括信道中第m个元素与步骤(2)提取信号s符号点差值的乘积,即[c]m(z-z′),进而得到[c]m的所有可能出现的信道元素的集合如下:
(3-6)遍历步骤(3-1)的混合信号矩阵的所有行,即m从1到M,估计得到所有行的信道元素,将所有信道元素按照列向量形式排列,得到估计出的信道向量c;
(3-7)从步骤(3-1)的混合信号矩阵减去步骤(3-6)估计的信道向量c乘以步骤(2-2)中提取的信号s;
(4)重复步骤(2)和(3),直到提取出三路信号和估计出三路信道,此时完成所有的信号提取和所有的信道估计;
(5)利用似然概率算法,对步骤(4)的已完成的提取信号进行身份鉴别,进而完成已估计信道的信道鉴别,具体包括以下步骤:
(5-1)设定用户发送的数据信号从二进制相移键控符号(-1,1)中随机选择,即设定基站知道两个智能反射元素对用户数据信号的相位保持概率,记第一智能反射元素的相位保持概率为p1,第一智能反射元素的相位反转概率为1-p1,第二智能反射元素的相位保持概率为p2,第二智能反射元素的相位反转概率为1-p2,得到两个智能反射元素的反射状态为:
(5-2)设定估计出的三路信号x,y和z分别对应步骤(1-3)中的用户发送的信号a、用户发送的信号经过第一智能发射元素反射出的信号b1以及用户发送的信号经过第二智能反射元素反射出的信号b2,则在信号序列x中,信号符号为1的总个数为在信号序列y和z中的信号符号与x中信号符号为1相对应的个数分别为和在信号序列y和z中的信号符号与x中信号符号为-1相对应的个数分别为和
将1-p1-p2+2p1p2记为P1,进而得到在序列y和z中,对应位置不相同的概率为1-P1;
(5-4)根据概率论的有序排列理论,三路信号一共出现六组排列顺序,不同排序对应的似然概率为:
(5-5)将上述步骤(5-4)的似然概率进行对数函数转化,分别为:
(5-6)根据步骤(5-2)的设定条件,确定步骤(5-5)中的第一个似然概率为正确信号顺序下的似然概率,分别计算步骤(5-5)中第一个式子与另外五个式子差值,分别记为LI1,LI2,LI3,LI4和LI5,得到五个关于两个智能反射元素的相位保持概率p1和p2的二元函数,再根据高等数学中求极值的方法确定该二元函数的取值,具体过程分别如下:
对LI1分别求关于p1和p2一阶导数:
对LI1分别求关于p1和p2的二阶导数及混合二阶导数:
对LI2分别求关于p1和p2一阶导数:
对LI2分别求关于p1和p2的二阶导数及混合二阶导数:
对LI3分别求关于p1和p2一阶导数:
对LI3分别求关于p1和p2的二阶导数及混合二阶导数:
对LI4分别求关于p1和p2一阶导数:
对LI4分别求关于p1和p2的二阶导数及混合二阶导数:
对LI5分别求关于p1和p2一阶导数:
对LI5分别求关于p1和p2的二阶导数及混合二阶导数:
2.如权利要求1所述的信道估计和信道鉴别方法,其特征在于其中所述的步骤(2)中利用特征函数性质从混合信号中提取符号点的降噪算子的方法,包括以下步骤:
(1)设定Vn是无噪信号序列,Qn是高斯白噪声信号序列,Ln是接收到的含有噪声的混合信号序列,三者满足Ln=Vn+Qn,n为序列长度,分别记为L,V,Q,并有L=V+Q,分别用FL,FV,FQ表示L,V,Q的分布函数,得到无噪信号,高斯白噪声信号和含有噪声的混合信号三者特征函数关系:
(2)根据步骤(1)的特征函数关系,得到无噪信号序列V的分布函数FV:
(3)将步骤(1)中的特征函数转化为下列优化函数:
(4)根据大数定律,利用接收到有噪信号序列L的量化经验分布函数∏L得到有噪序列L分布函数FL,分布函数FL的近似表达式如下:
其中,Li为接收到含有噪声的混合序列L中的第i个元素,和分别表示取实部和虚部,1{·}表示指示函数,用于判断区间,0≤n1≤N-1,0≤n2≤N-1,N为经验分布函数的实部和虚部的量化维度,n1和n2分别表示实部和虚部中第n1个和第n2个量化区间,得到序列L中实部和虚部中最大的边界d,则划分实部和虚部小区间间隔为和表示每个小区间的取值范围,
其中f=[fr,fi],fr和fi分别表示实部和虚部对应的频率;
(6)将步骤(5)得到的特征函数频域离散化,得到上述公式的频域量化形式为:
其中ΠV是关于无噪信号序列V量化的经验分布函数,和ПL的得到形式类似,根据DFT的定义,步骤(6)中量化经验分布函数ПL的DFT形式进一步转化为:
(8)利用步骤(7)通过进一步转化的量化经验分布函数ΠL的DFT形式,得到矩阵V如下:
V=RV⊙{FΠVFT},
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011314490.4A CN112532547B (zh) | 2020-11-21 | 2020-11-21 | 一种智能反射面通信系统中信道估计和信道鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011314490.4A CN112532547B (zh) | 2020-11-21 | 2020-11-21 | 一种智能反射面通信系统中信道估计和信道鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112532547A true CN112532547A (zh) | 2021-03-19 |
CN112532547B CN112532547B (zh) | 2022-03-01 |
Family
ID=74982119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011314490.4A Active CN112532547B (zh) | 2020-11-21 | 2020-11-21 | 一种智能反射面通信系统中信道估计和信道鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112532547B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113727447A (zh) * | 2021-07-23 | 2021-11-30 | 中国信息通信研究院 | 一种中间节点控制方法和设备 |
CN113824527A (zh) * | 2021-08-06 | 2021-12-21 | 华南理工大学 | 一种智能反射表面辅助单载波信号循环移位的通信方法 |
CN114338299A (zh) * | 2021-12-01 | 2022-04-12 | 同济大学 | 一种基于位置信息对智能反射面辅助的通信系统进行信道估计的方法 |
WO2022217408A1 (en) * | 2021-04-12 | 2022-10-20 | Qualcomm Incorporated | Beamforming techniques using random-based parameter selection at reconfigurable intelligent surfaces |
WO2022246684A1 (en) * | 2021-05-26 | 2022-12-01 | Qualcomm Incorporated | Reference signal transmission for reconfigurable intelligent surface (ris) -aided positioning |
WO2023246919A1 (zh) * | 2022-06-24 | 2023-12-28 | 维沃移动通信有限公司 | 信道估计方法、装置、通信设备、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814159A (zh) * | 2009-02-24 | 2010-08-25 | 余华 | 基于自联想神经网络和高斯混合背景模型相结合的说话人确认方法 |
EP3175668A1 (en) * | 2014-08-01 | 2017-06-07 | Polte Corporation | Partially synchronized multilateration/trilateration method and system for positional finding using rf |
CN111817797A (zh) * | 2020-06-22 | 2020-10-23 | 电子科技大学 | 基于最大化接收信噪比的irs相位旋转设计的信号发射方法 |
CN111817768A (zh) * | 2020-06-03 | 2020-10-23 | 北京交通大学 | 一种用于智能反射表面无线通信的信道估计方法 |
-
2020
- 2020-11-21 CN CN202011314490.4A patent/CN112532547B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814159A (zh) * | 2009-02-24 | 2010-08-25 | 余华 | 基于自联想神经网络和高斯混合背景模型相结合的说话人确认方法 |
EP3175668A1 (en) * | 2014-08-01 | 2017-06-07 | Polte Corporation | Partially synchronized multilateration/trilateration method and system for positional finding using rf |
CN111817768A (zh) * | 2020-06-03 | 2020-10-23 | 北京交通大学 | 一种用于智能反射表面无线通信的信道估计方法 |
CN111817797A (zh) * | 2020-06-22 | 2020-10-23 | 电子科技大学 | 基于最大化接收信噪比的irs相位旋转设计的信号发射方法 |
Non-Patent Citations (2)
Title |
---|
ZHAORUI WANG等: ""Channel Estimation for Intelligent Reflecting"", 《 2020 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE (WCNC)》 * |
姚建文等: ""智能反射面——大有前景的6G技术"", 《电信快报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022217408A1 (en) * | 2021-04-12 | 2022-10-20 | Qualcomm Incorporated | Beamforming techniques using random-based parameter selection at reconfigurable intelligent surfaces |
WO2022246684A1 (en) * | 2021-05-26 | 2022-12-01 | Qualcomm Incorporated | Reference signal transmission for reconfigurable intelligent surface (ris) -aided positioning |
CN113727447A (zh) * | 2021-07-23 | 2021-11-30 | 中国信息通信研究院 | 一种中间节点控制方法和设备 |
CN113727447B (zh) * | 2021-07-23 | 2024-02-09 | 中国信息通信研究院 | 一种中间节点控制方法和设备 |
CN113824527A (zh) * | 2021-08-06 | 2021-12-21 | 华南理工大学 | 一种智能反射表面辅助单载波信号循环移位的通信方法 |
CN114338299A (zh) * | 2021-12-01 | 2022-04-12 | 同济大学 | 一种基于位置信息对智能反射面辅助的通信系统进行信道估计的方法 |
CN114338299B (zh) * | 2021-12-01 | 2022-12-20 | 同济大学 | 一种基于位置信息对智能反射面辅助的通信系统进行信道估计的方法 |
WO2023246919A1 (zh) * | 2022-06-24 | 2023-12-28 | 维沃移动通信有限公司 | 信道估计方法、装置、通信设备、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112532547B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112532547B (zh) | 一种智能反射面通信系统中信道估计和信道鉴别方法 | |
CN109274621B (zh) | 基于深度残差网络的通信协议信号识别方法 | |
CN109657604B (zh) | 基于循环神经网络的卫星幅相信号识别解调方法及装置 | |
CN103814530B (zh) | 用于波束成形来自网络元件的发射的方法及装置 | |
CN108566260B (zh) | 一种基于扰分多址的隐蔽通信方法 | |
CN111224779B (zh) | 基于码本的物理层密钥生成方法、装置、存储介质及终端 | |
CN108646213B (zh) | 一种室内多径环境下直达波aoa判定方法 | |
CN110719240B (zh) | 基于反卷积和去噪卷积的信道估计方法和系统 | |
CN113721198A (zh) | 双功能mimo雷达通信系统物理层安全性联合波束赋形方法 | |
Safari et al. | Deep UL2DL: Data-driven channel knowledge transfer from uplink to downlink | |
CN114268388B (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
CN114124623A (zh) | 一种无线通信信道估计方法和装置 | |
Tong et al. | Deep learning compressed sensing-based beamspace channel estimation in mmWave massive MIMO systems | |
US20230353426A1 (en) | Channel Estimation for an Antenna Array | |
CN112183300B (zh) | 一种基于多层次稀疏表示的ais辐射源识别方法及系统 | |
CN114826832A (zh) | 信道估计方法、神经网络的训练方法及装置、设备 | |
KR102032956B1 (ko) | 시간적 상관 관계를 이용한 다중 안테나 통신 시스템에서 채널 추정 방법 및 그 장치 | |
Awais et al. | Deep residual denoising network for IRS-cascaded channel estimation with a receiver impairment | |
US11764857B2 (en) | Systems and methods for multiple signal reception using receiver diversity | |
FR2825856A1 (fr) | Procede et dispositif de traitement de signal dans un recepteur de radiocommunication a etalement de spectre | |
Fadul et al. | An analysis of process parameters for the optimization of specific emitter identification under rayleigh fading | |
CN103117757A (zh) | 一种信号接收方法及终端 | |
CN111080473B (zh) | 台区识别方法、装置、计算机设备和可读存储介质 | |
Ghadikolaei et al. | Learning-based tracking of AoAs and AoDs in mmWave networks | |
Seidel et al. | A novel approach for combining local estimates for fully decentralized feedforward massive MIMO equalization: The multistep fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |